1. Duração dos segmentos fricativos: as fricativas [ʃ] e [s] apresentaram valores de duração próximos.
2. Picos de amplitude dos segmentos fricativos: a fricativa [s] apresentou picos de amplitude mais proeminentes em regiões mais altas de frequência quando comparada com a fricativa [ʃ].
3. Centro de gravidade do ruído fricativo: a fricativa [s] apresentou valor médio do CG maior do que a fricativa [ʃ] (5231Hz e 3110Hz; respectivamente).
4. Duração dos segmentos plosivos: a duração absoluta da fase de pré-sonorização foi maior para a plosiva [b] quando comparada com a plosiva [d]. No entanto, observou-se valores próximos de duração da fase de soltura da oclusão.
5. Picos de amplitudes do burst: a plosiva alveolar [d] apresentou picos de energia mais intensos em regiões mais altas de frequência quando comparada com a plosiva bilabial [b].
6. Duração da vogal [a] seguinte às fricativas e às plosivas: verificaram-se pequenas diferenças nos valores de duração da vogal [a] seguinte às fricativas [ʃ] e [s] e às plosivas [b] e [d].
7. Medida dos formantes da vogal [a] seguinte às fricativas: observou-se pequenas diferenças nos valores do F1 e do F3 da vogal [a] seguinte às fricativas [ʃ] e [s]. Já o F2 apresentou variação nos valores inicial e estável, com valores mais altos para a vogal [a] seguinte a fricativa [ʃ].
8. Medida dos formantes da vogal [a] seguinte às plosivas: observou-se valores próximos do F1 da vogal [a] seguinte às plosivas [b] e [d]. Porém, verificou-se uma variação nos valores inicial e estável do F2 e do F3, com valores maiores para a vogal [a] seguinte a plosiva [d].
Após descrever e analisar as propriedades acústicas das fricativas [ʃ] e [s] e das plosivas [b] e [d], o capítulo adiante irá abordar o passo a passo do processo de síntese dos estímulos.
4 CAPÍTULO 2 – SÍNTESE DE FALA DOS ESTÍMULOS
O presente capítulo possui o objetivo de descrever o passo a passo da criação dos pares de palavras /sapa/-/ʃapa/, /saba/-/ʃaba/ e /bata/-/data/, utilizados no experimento de ponderação de pistas auditivas, por meio da síntese de fala. Desta forma, serão apresentadas as propriedades acústicas que foram manipuladas no software Sensyn. Além disso, será realizada uma breve explanação sobre os tipos de sintetizadores de fala, com enfoque maior no sintetizador de formantes proposto por Klatt (1979).
A análise das propriedades acústicas realizada no capítulo anterior serviu como ponto de partida para a síntese dos pares de palavras. Diante da necessidade, algumas modificações foram executadas nos valores dos parâmetros com o intuito de fornecer maior naturalidade aos estímulos.
4.1 Síntese do sinal de fala
A síntese do sinal de fala é considerada um importante recurso para os estudos de percepção, uma vez que diversas propriedades acústicas podem ser manipuladas para a criação dos estímulos. Grande parte dos estudos direcionados à investigação do desenvolvimento da ponderação de pistas auditivas utiliza a síntese de fala, que é um processo que produz a fala artificialmente.
O sinal artificial de fala é produzido por um sintetizador de fala que, implementado por meio de um software, possui como objetivo simular o trato vocal da forma mais próxima da realidade.
De maneira geral, os softwares de síntese de fala empregam diferentes configurações para alcançar uma aproximação de alta qualidade com a fala humana. Todos os estímulos deste estudo foram criados com a utilização do sintetizador de formantes, desenvolvido por Klatt (1980), implementado no software Sensyn. Por esta razão, este modelo será descrito a seguir de forma mais detalhada.
4.2 Principais tipos de sintetizadores
Historicamente, os sintetizadores de fala podem ser divididos em dois amplos modelos: o modelo de síntese articulatória e o modelo de síntese de formantes.
4.2.1 Sintetizador articulatório
O modelo de síntese articulatória busca reproduzir fielmente os movimentos mecânicos dos articuladores e as distribuições resultantes do volume, velocidade e pressão sonora dos pulmões, laringe, trato vocal e nasal (FLANAGAN, ISHIZAKA e SHIPLEY, 1975). Neste modelo, os mecanismos de produção da fala podem ser reproduzidos por meio dos parâmetros de controle relacionados a abertura e a protrusão labial, a altura da ponta e do dorso da língua, a abertura do véu palatino, dentre outros. Pelo fato do modelo se basear na representação direta das características dinâmicas dos órgãos articulatórios, este modelo de síntese é considerado complexo devido à dificuldade de estimar a configuração exata dos articuladores que produzem um determinado som. No entanto, é possível produzir sons de alta qualidade utilizando este recurso. Além disso, de forma geral, todos os modelos de síntese de fala apresentam os seus benefícios e as suas limitações.
4.2.2 Sintetizador de formantes
O segundo modelo de sintetizador, denominado sintetizador de formantes, busca aproximar diretamente a forma de onda da fala em um conjunto mais simples de regras formuladas no domínio acústico.
O desenho do sintetizador é baseado na teoria acústica da produção da fala desenvolvida por Fant (1960). De acordo com esta teoria, uma ou mais fontes de energia sonora são ativadas pelo aumento da pressão pulmonar. Tratando cada fonte sonora separadamente, é possível caracterizá-las no domínio da frequência por um espectro de fonte. Os sinais gerados pelas fontes sonoras propagam-se através de cavidades com formatos e características variáveis no tempo e são emitidos pelas extremidades oral e nasal para o meio externo.
No modelo de síntese dos formantes, o espectro de um som da fala é considerado como o resultado da combinação linear de três componentes básicos: a) fontes sonoras, b)
característica de filtragem do trato vocal e c) característica de radiação para o meio externo. O espectro P(f) da onda de fala resultante pode ser representado por meio da fórmula:
P(f)= S(f)* T(f)* R(f)
onde S(f) é o espectro resultante da composição das diversas fontes que excitam o trato vocal; T(f) é a função de transferência linear, composta por pólos e zeros; e R(f) é a característica de radiação, relacionada aos efeitos de propagação dos sons produzidos (KLATT, 1980).
A figura 27 ilustra o processo de produção da fala empregado na síntese de formantes.
FIGURA 27 - Processo de produção da fala utilizado na síntese de formantes
Fonte: Adaptado de KLATT (1979, p.972)
No sintetizador de formantes proposto por Klatt (1979), existem dois tipos principais de fonte sonora que podem ser ativadas durante a produção da fala (Stevens e Klatt, 1972): uma fonte que envolve vibrações quase-periódicas das pregas vocais denominada vozeamento e a outra fonte que relaciona-se à geração de ruído de turbulência caracterizada pela passagem rápida do fluxo de ar em uma constrição estreita. O ruído resultante é denominado aspiração se a constrição está localizada no nível das pregas vocais enquanto o ruído é chamado de fricção se a constrição está localizada acima da laringe como, por exemplo, durante a produção dos sons fricativos. A explosão de uma plosiva também envolve um ruído de fricção (KLATT, 1979).
A estrutura básica do sintetizador de formantes proposto por Klatt (1980) é composta por um conjunto de ressoadores (filtros digitais), que podem ser interligados por dois tipos de configuração: em série (cascata) ou em paralelo. Estas configurações possuem o objetivo de simular a função de transferência do trato vocal, conforme sinalizado na figura 27, e são FONTE SONORA - Vozeamento - Aspiração - Fricção CARACTERÍSTICA DE RADIAÇÃO R(f) FUNÇÃO DE TRANSFERÊNCIA DO TRATO VOCAL T(f) Velocidade do volume de origem S(f) Velocidade do volume dos lábios U(f) Pressão sonora irradiada P(f)
ativadas de acordo com a necessidade de reproduzir os sons da fala, ou seja, a seleção dos tipos de configuração do sintetizador pode ser realizada conforme a necessidade do experimentador. Além disso, o sintetizador disponibiliza um anti-ressoador (sistema inverso do ressoador) para síntese dos sons nasais e nasalizados.
4.2.2.1 Ressoadores em cascata
A configuração em cascata caracteriza-se por conter cinco ressoadores de formantes conectados em série e a saída de cada ressoador está ligada a entrada do ressoador seguinte, conforme mostra a figura 28.
FIGURA 28 - Configuração dos ressoadores em cascata (R5 à R1)
Fonte: Adaptado de KLATT (1979, p.972)
A informação acústica de controle mais importante neste tipo de configuração é a frequência dos formantes, sendo desnecessário inserir a informação referente às amplitudes de cada formante, que são determinadas automaticamente. Esta configuração modela as propriedades ressoantes do trato vocal sempre que a fonte de som está dentro da laringe. Desta forma, a estrutura em cascata normalmente é mais indicada para sintetizar as vogais orais, uma vez que modela corretamente um tubo acústico excitado em uma de suas extremidades, onde as amplitudes de ressonância são impostas pelas frequências e pelas larguras de banda de todos os formantes.
4.2.2.2 Ressoadores em paralelo
Na configuração em paralelo, os ressoadores de formantes que simulam a função de transferência do trato vocal estão conectados em paralelo (figura 29). Cada ressoador de formante é precedido por um controle de amplitude que determina a amplitude relativa do
pico espectral (formante) no espectro de saída. O sinal de excitação é aplicado a todos os
formantes simultaneamente e suas saídas são somadas.
R5 R4 R3 R2 R1 OUTPUT
FIGURA 29 - Configuração dos ressoadores em paralelo com as amplitudes dos picos espectrais
(formantes)
Fonte: Adaptado de KLATT (1979, p.972)
Normalmente, a configuração em paralelo é mais indicada para a síntese dos sons investigados neste estudo: as fricativas e as plosivas, além das nasais e laterais. Para a síntese das fricativas, que possuem frequências mais altas (por exemplo, [s,z]), o sintetizador disponibiliza seis ressoadores de formantes na configuração em paralelo.
4.3 Parâmetros de controle para síntese dos sons da fala
O sintetizador de formantes proposto por Klatt (1979), implementado no software Sensyn, possui dois tipos de parâmetros de controle: 12 parâmetros que permanecem constantes ao longo de todo o enunciado sintetizado e 48 parâmetros variáveis em que os valores podem ser modificados no tempo (ANEXO 2). Os parâmetros variáveis são atualizados a cada 5ms.
Conforme relatado, cinco segmentos foram sintetizados: as fricativas [s] e [ʃ], as plosivas [b], [d] e a vogal [a], nas palavras /sapa/, /ʃapa/, /saba/, /ʃaba/, /bata/ e /data/. Os sons da primeira sílaba de cada palavra foram sintetizados separadamente, uma vez que as pistas auditivas dinâmicas e estáticas do experimento de ponderação de pistas foram manipuladas somente na primeira sílaba de cada palavra. Por exemplo, a fricativa [s] e a vogal [a] da primeira sílaba da palavra /sapa/ foram sintetizadas separadamente, enquanto a segunda sílaba /pa/, da palavra /sapa/, foi sintetizada em conjunto. Feito isso, os sons foram concatenados no Praat. A segunda sílaba das palavras foi sintetizada somente com o intuito de produzir a fala de forma natural, sendo que nenhuma pista auditiva foi manipulada.
OUTPUT R2 R3 R4 R5 A2 A5 A4 A3 INPUT +
Os parâmetros de controle constantes que foram manipulados no software Sensyn para todos os estímulos foram: a taxa de amostragem (SR) de 16000Hz; a duração (DU) e a configuração em cascata (CP=0) para a vogal [a] e em paralelo (CP=1) para as fricativas e as plosivas.
Os valores de referência dos demais parâmetros de controle, utilizados para a síntese de todos os estímulos, foram baseados na amostra de fala de um informante do sexo masculino, de 33 anos de idade.
A seguir, será realizada uma descrição detalhada dos parâmetros de controle manipulados para a síntese das fricativas, das plosivas e da vogal [a] no software Sensyn.
4.3.1 Síntese da vogal [a] seguinte às fricativas [s] e [ʃ] e às plosivas [b] e [d]
Os parâmetros de controle básicos empregados no software Sensyn para a síntese da vogal [a] foram a amplitude de vozeamento (AV), a frequência fundamental (f0) e os três primeiros formantes vocálicos (F1, F2 e F3). O quadro 1 mostra os valores destes parâmetros manipulados ao longo do tempo.
QUADRO 1 - Parâmetros manipulados ao longo do tempo no software Sensyn. Vogal [a] que seguiu
a fricativa [ʃ]
Na primeira coluna do quadro 1 visualizamos a duração da vogal que foi de 140ms. A seguir podemos observar os valores da frequência fundamental (f0) inseridos no software. A f0 inicial foi de 161Hz, ou seja, 161 ciclos de abertura e fechamento das pregas vocais por segundo. Este parâmetro foi ajustado para decrescer ao longo da emissão da vogal [a], conforme observado na produção do informante representado pela linha azul da figura adiante.
A amplitude de vozeamento (AV) relaciona-se a amplitude, em dB, da fonte de vozeamento, ou seja, da ativação das pregas vocais. Desta forma, a fonte de vozeamento é desativada quando inserimos o valor de 0dB. Tal procedimento deve ser realizado diante dos sons não vozeados, onde não há vibração das pregas vocais. No caso das vogais, sons vozeados, a ativação desse parâmetro torna-se necessária. A amplitude de vozeamento apresentou variações em seus valores, uma vez que este parâmetro não é constante. Na figura 30 observa-se, com o auxílio do oscilograma, um aumento da amplitude durante a emissão da
SOUND [a] - Varied Parameters
time F0 AV F1 F2 F3 0 1630 50 415 1522 3110 5 1623 53 443 1509 3070 10 1617 57 471 1496 3030 15 1611 60 499 1484 2990 20 1604 60 527 1471 2951 25 1598 60 555 1459 2911 30 1592 60 584 1446 2871 35 1585 60 612 1433 2832 40 1579 60 640 1421 2792 45 1573 60 668 1408 2752 50 1567 60 696 1396 2713 55 1560 60 696 1396 2713 60 1554 60 696 1396 2713 65 1548 60 696 1396 2713 70 1541 60 696 1396 2713 75 1535 60 696 1396 2713 80 1529 60 696 1396 2713 85 1522 60 696 1396 2713 90 1516 60 696 1396 2713 95 1510 60 696 1396 2713 100 1504 60 696 1396 2713 105 1497 60 696 1396 2713 110 1491 60 696 1396 2713 115 1485 60 696 1396 2713 120 1478 60 696 1396 2713 125 1472 56 696 1396 2713 130 1466 53 696 1396 2713 135 1460 50 696 1396 2713
vogal [a], sua estabilização e posterior redução nos seus valores ao final da produção. Esta variação nos valores da AV foi inserida no software Sensyn.
FIGURA 30 - Frequência fundamental da vogal [a] que seguiu a fricativa [ʃ], na palavra /ʃapa/,
sinalizada pela linha azul. No oscilograma observa-se o comportamento da amplitude de vozeamento (seta preta)
Por fim, os valores das frequências dos três formantes vocálicos foram manipulados. Este parâmetro pode ser considerado o mais importante para a síntese das vogais, uma vez que a variação dos valores dos formantes na transição da consoante para a vogal constitui uma pista auditiva relevante para que os ouvintes façam a distinção entre os sons das línguas.
Conforme descrito, os valores dos três formantes (F1, F2 e F3) foram obtidos após a análise dos parâmetros acústicos do informante selecionado. Desta forma, o tempo 0ms do quadro 1, representa os valores dos formantes na porção inicial da vogal [a] que seguiu as fricativas [ʃ] e [s] e as plosivas [b] e [d]. A duração da transição dos formantes foi de 50ms, ou seja, os valores dos formantes estabilizaram dentro de 50ms.
As frequências do quarto e do quinto ressonador de formantes, bem como as larguras de banda de todos os formantes foi mantida constante, com pouco decréscimo da qualidade do som de saída, devido a pequena variação em seus valores. Ressalte-se que estes ressonadores contribuem pouco para inteligibilidade das vogais.
As figuras abaixo mostram o espectrograma da vogal [a] seguinte a fricativa [ʃ] do som natural (à esquerda) e do som sintetizado (à direita).
FIGURAS 31 e 32 - Espectrograma da vogal [a] seguinte a fricativa [ʃ]. À esquerda observa-se o espectrograma do som original (vogal natural) e à direita o espectrograma da vogal sintetizada
Basicamente, foram os valores dos três primeiros formantes (F1, F2 e F3) que diferiram entre a vogal [a] seguintes às fricativas e às plosivas. Estes valores serão descritos no capítulo 3.
4.3.2 Síntese das fricativas [ʃ] e [s]
Os parâmetros de controle básicos para criação das fricativas sintetizadas [ʃ] e [s] foram a amplitude de fricção (AF), os seis formantes (F1-F6) e as amplitudes associadas aos ressoadores em paralelo, aos quais é enviado o ruído de fricção (AB, A2F-A6F).
O quadro 2 mostra os parâmetros manipulados ao longo do tempo no software Sensyn para a geração da fricativa [s] nas palavras /sapa/ e /saba/. A amplitude de vozeamento (AV) foi desativada durante toda a emissão da fricativa [s] por ser tratar de um som não vozeado. A duração das fricativas sintetizadas foi de 160ms.
QUADRO 2 - Parâmetros manipulados ao longo do tempo no software Sensyn. Fricativa [s], das
palavras /sapa/ e /saba/
A amplitude de fricção (AF) determina o nível de ruído fricativo que será enviado aos ressoadores em paralelo (A2F-A6F). No caso das fricativas, este parâmetro deve ser ajustado gradualmente até atingir 60dB. O quadro 2 mostra que a AF atingiu o valor de 60dB em 30ms.
O parâmetro mais importante para a síntese das fricativas é a amplitude de fricção dos formantes em paralelo (A2F-A6F). Este parâmetro determina a forma espectral destes sons e as regiões do espectro que serão excitadas. A principal diferença entre as fricativas [ʃ] e [s] concentra-se nos valores destas amplitudes, sendo que a fricativa [s] apresenta ruído predominante em frequências mais altas quando comparada com a fricativa [ʃ].
Os valores das amplitudes de fricção da fricativa [s] foram ajustados da seguinte forma: A2F, A3F e A6F em 0dB, A4F em 45dB e A5F em 42dB. Ressalte-se que os valores das SOUND [s] - Varied Parameters
time AV AF F1 F2 F3 F4 F5 F6 A2F A3F A4F A5F A6F AB 0 0 50 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 5 0 51 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 10 0 53 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 15 0 55 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 20 0 57 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 25 0 59 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 30 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 35 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 40 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 45 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 50 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 55 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 60 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 65 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 70 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 75 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 80 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 85 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 90 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 95 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 100 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 105 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 110 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 115 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 120 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 125 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 130 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 135 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 140 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 145 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 150 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30 155 0 60 1871 3385 4500 5058 6201 6868 0 0 45 42 0 30
amplitudes A2F, A3F e A6F foram inseridos como zero, uma vez que a fatia do espectro desta fricativa revelou dois picos de amplitude mais proeminentes (A4F e A5F), como mostram as setas nas figuras 33 e 34.
FIGURAS 33 e 34 - Fatia do espectro (do inglês, Spectral slice) da fricativa [s]. À esquerda
observa-se a fatia do espectro do som original (fricativa natural) e à direita a fatia do espectro da fricativa sintetizada
Conforme descrito no capítulo 1, a definição exata dos valores dos formantes e de suas amplitudes não é muito importante para a síntese dos sons fricativos. Desta forma, faz-se um levantamento geral das propriedades acústicas dos sons originais para que posteriormente seja criado o som sintetizado. Neste caso, observou-se a tendência geral do comportamento das amplitudes de fricção para confecção dos estímulos fricativos.
Os valores das amplitudes da fricativa [ʃ] foram ajustados da seguinte maneira: A2F em 41dB, A3F em 39dB, A4F em 32dB, A5F em 36dB e A6F em 23dB. O quadro 3 mostra os valores inseridos no software Sensyn para a criação da fricativa [ʃ].
QUADRO 3 - Parâmetros manipulados ao longo do tempo no software Sensyn. Fricativa [ʃ], das palavras /ʃapa/ e /ʃaba/
As figuras 35 e 36 revelam a fatia do espectro da fricativa [ʃ]. Neste caso, observa-se que os picos de amplitude (A2F e A3F) deste som estão concentrados em regiões de frequência mais baixas quando comparado com a fricativa [s] e, além disso, não observa-se somente dois picos de amplitudes bem definidos.
SOUND [ʃ] - Varied Parameters
time AV AF F1 F2 F3 F4 F5 F6 A2F A3F A4F A5F A6F AB 0 0 50 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 5 0 51 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 10 0 53 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 15 0 55 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 20 0 57 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 25 0 59 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 30 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 35 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 40 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 45 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 50 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 55 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 60 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 65 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 70 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 75 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 80 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 85 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 90 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 95 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 100 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 105 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 110 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 115 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 120 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 125 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 130 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 135 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 140 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 145 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 150 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40 155 0 60 1871 3396 3728 4796 5656 6648 41 39 32 36 23 40
FIGURAS 35 e 36 - Fatia do espectro (do inglês, Spectral slice) da fricativa [ʃ]. À esquerda observa- se a fatia do espectro do som original (fricativa natural) e à direita a fatia do espectro da fricativa
sintetizada
Em suma, a fricativa [s] apresentou os picos das amplitudes A4F e A5F com valores maiores e bem definidos em regiões de frequências mais altas, enquanto a fricativa [ʃ] apresentou os picos das amplitudes A2F e A3F em regiões de frequências mais baixas. No entanto, a fricativa [ʃ] apresentou picos de amplitudes (A2F-A6F) mais espalhados ao longo do espectro.
Após a inspeção das frequências dos formantes e de suas amplitudes observou-se o centro de gravidade das fricativas verificando este parâmetro no espectrograma do som natural e sintetizado. As figuras 37 e 38 mostram o espectrograma das fricativas [s] e [ʃ] do som natural (à esquerda) e do som sintetizado (à direita).
FIGURAS 37 e 38 - Espectrograma da fricativa [s]. À esquerda observa-se o espectrograma do som
FIGURAS 39 e 40 - Espectrograma da fricativa [ʃ]. À esquerda observa-se o espectrograma do som
original (fricativa natural) e à direita o espectrograma da fricativa sintetizada
As figuras 39 e 40 mostram que as fricativas naturais [s] e [ʃ] ficaram com os valores do centro de gravidade (CG) bem próximos quando comparadas com as fricativas sintetizadas. Conforme esperado, a fricativa [ʃ] apresentou faixas de concentração de energia em regiões mais baixas quando comparado com a fricativa [s]. O valor do CG da fricativa [s] foi 5633Hz e o da fricativa [ʃ] foi 3830Hz.
4.3.3 Síntese das plosivas [b] e [d]
Os parâmetros de controle básicos para criação das plosivas sintetizadas [b] e [d] foram a amplitude de fricção (AF), os cinco formantes (F1-F5) e as amplitudes associadas aos ressoadores em paralelo, aos quais é enviado o ruído de fricção (AB, A2F-A5F). As plosivas tiveram uma duração total de 100ms, sendo que 85ms representaram a fase de pré- sonorização e os demais 15ms o burst. Como estamos lidando com dois sons vozeados, a amplitude de vozeamento (AV) foi ativada automaticamente durante toda a produção das plosivas, diferente das fricativas não vozeadas, nas quais este parâmetro apresentou um valor igual a zero.
O quadro 4 mostra os parâmetros manipulados ao longo do tempo no software Sensyn para a geração da plosiva [b] na palavra /bata/.
QUADRO 4 - Parâmetros manipulados ao longo do tempo no software Sensyn. Plosiva [b], da
palavra /bata/
Conforme relatado, a amplitude de fricção (AF) determina o nível de ruído que será enviado aos ressoadores em paralelo (A2F-A5F). Este parâmetro é considerado importante para a produção do burst e foi manipulado de maneira diferente das fricativas. No caso das plosivas, a AF foi igual a 0dB na fase de pré-sonorização e variou de forma abrupta de 60dB para 20dB, nos 15ms da fase de soltura. Esta variação abrupta nos valores da AF é fundamental para a produção do burst.
Outro parâmetro fundamental para a produção do burst é a amplitude AB. Este parâmetro é utilizado quando os efeitos de ressonância do trato vocal são insignificantes, uma vez que a cavidade anterior a constrição é muito curta. Tal fato ocorre com as plosivas bilabiais e alveolares que são produzidas pela constrição dos lábios e da região alveolar (dentes superiores e ponta da língua), diferente da plosiva [g], que possui uma cavidade anterior a constrição realizada na região do véu palatino maior. A amplitude AB também foi manipulada de forma abrupta de 60dB para 20dB, nos 15ms do burst.
O parâmetro mais importante para a síntese das plosivas [b] e [d] e, principalmente, para a reprodução do burst é a amplitude de fricção dos formantes em paralelo (A2F-A5F). A principal diferença entre as plosivas [b] e [d] concentra-se nos valores destas amplitudes,
SOUND [b] - Varied Parameters
time TL AF F1 F2 F3 F4 F5 A2F A3F A4F A5F AB 0 30 0 200 900 2000 3500 3850 60 50 20 10 0 5 30 0 200 900 2000 3500 3850 60 50 20 10 0 10 31 0 200 900 2000 3500 3850 60 50 20 10 0 15 32 0 200 900 2000 3500 3850 60 50 20 10 0 20 32 0 200 900 2000 3500 3850 60 50 20 10 0 25 33 0 200 900 2000 3500 3850 60 50 20 10 0 30 34 0 200 900 2000 3500 3850 60 50 20 10 0 35 35 0 200 900 2000 3500 3850 60 50 20 10 0 40 35 0 200 900 2000 3500 3850 60 50 20 10 0 45 36 0 200 900 2000 3500 3850 60 50 20 10 0 50 37 0 200 900 2000 3500 3850 60 50 20 10 0 55 37 0 200 900 2000 3500 3850 60 50 20 10 0 60 38 0 200 900 2000 3500 3850 60 50 20 10 0 65 39 0 200 900 2000 3500 3850 60 50 20 10 0 70 40 0 200 900 2000 3500 3850 60 50 20 10 0 75 40 0 200 900 2000 3500 3850 60 50 20 10 0 80 40 0 200 900 2000 3500 3850 60 50 20 10 0 85 0 60 664 1386 1998 3290 4385 60 50 20 10 60 90 0 40 664 1386 1998 3290 4385 60 50 20 10 40 95 0 20 664 1386 1998 3290 4385 60 50 20 10 20
sendo que a plosiva [b] apresenta excitação dos ressoadores em paralelo em regiões mais baixas de frequência quando comparada com a plosiva [d].
Os valores das amplitudes de fricção da plosiva [b] foram ajustados da seguinte forma: A2F em 60dB, A3F em 50dB, A4F em 20dB e A5F em 10dB. Para produzir picos de energia mais intensos em regiões mais baixas de frequência, os valores da A2F e da A3F foram maiores. No caso da plosiva [d], os valores das amplitudes foram ajustados da seguinte